![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-1-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nNormalmente todo comienza en una sala de reuniones. Un proveedor abre su ordenador port\u00e1til, escribe una sola frase en el chat y observa c\u00f3mo un agente extrae el c\u00f3digo data de tres sistemas, resume un contrato de arrendamiento, se\u00f1ala una cl\u00e1usula para su revisi\u00f3n jur\u00eddica y env\u00eda el resultado por correo electr\u00f3nico al equipo de gesti\u00f3n de activos. Todo el proceso dura noventa segundos. Se hace el silencio en la sala y, a continuaci\u00f3n, alguien pregunta: \u201c\u00bfCu\u00e1nto tiempo se tard\u00f3 en desarrollar eso?\u201d. La respuesta, \u201cuna tarde\u201d, es el momento en el que la mayor\u00eda de las estrategias empresariales de IA se replantean discretamente.<\/p>\n
Es una pregunta razonable y, a primera vista, apasionante. Si se puede crear un agente funcional en una tarde, \u00bfpor qu\u00e9 seguimos dedicando dieciocho meses a cada transformaci\u00f3n digital? \u00bfPor qu\u00e9 pagamos sumas de siete cifras por un software que ofrece menos prestaciones? Y, lo que es m\u00e1s urgente, \u00bfqu\u00e9 deber\u00edamos hacer al respecto?<\/p>\n
La respuesta sincera es m\u00e1s matizada de lo que sugiere la demostraci\u00f3n. S\u00ed, sin duda alguna se puede crear un agente de IA operativo en unas pocas horas. Las herramientas actuales son as\u00ed de buenas. Sin embargo, la diferencia entre un agente operativo y uno de nivel empresarial es mayor de lo que la mayor\u00eda de los directivos esperan, y es ah\u00ed donde residen pr\u00e1cticamente todos los costes, riesgos y valor reales.<\/p>\n
Este art\u00edculo est\u00e1 dirigido a ejecutivos que deseen comprender qu\u00e9 es realmente posible hoy en d\u00eda, qu\u00e9 resulta verdaderamente dif\u00edcil y c\u00f3mo actuar con rapidez sin tomar ese tipo de decisiones que parecen brillantes en mayo y resultan embarazosas en noviembre. Analizaremos qu\u00e9 son los agentes, qu\u00e9 no son, d\u00f3nde operan, qui\u00e9nes los desarrollan y qu\u00e9 se necesita para implementarlos adecuadamente en una empresa sujeta a regulaci\u00f3n. Al finalizar, deber\u00eda estar en condiciones de acudir a su pr\u00f3xima reuni\u00f3n de la junta directiva y explicar con claridad el panorama actual.<\/p>\n
Antes de siquiera plantearnos la implementaci\u00f3n, conviene detenernos a reflexionar sobre qu\u00e9 entendemos realmente por \u201cagente de IA\u201d. Los equipos de marketing han abusado enormemente de esta expresi\u00f3n en los \u00faltimos dieciocho meses, y la mayor\u00eda de los ejecutivos no saben muy bien si lo que les est\u00e1n vendiendo es un agente, un chatbot, una herramienta de flujo de trabajo o una macro especialmente eficaz.<\/p>\n
La definici\u00f3n pr\u00e1ctica m\u00e1s clara es la siguiente: un agente de IA es un programa inform\u00e1tico que utiliza un modelo base para comprender un objetivo, planificar c\u00f3mo alcanzarlo, actuar recurriendo a herramientas y sistemas, y adaptarse en funci\u00f3n de lo que observa. Piense en \u00e9l como un titulado universitario digital. Es competente, sabe leer instrucciones, sabe c\u00f3mo pedir ayuda, puede utilizar las herramientas que se le proporcionen y, dentro de un \u00e1mbito de competencia definido, es capaz de tomar decisiones sensatas sin necesidad de una supervisi\u00f3n constante. Al igual que un titulado universitario, se beneficia de unas pautas claras y de que un compa\u00f1ero con m\u00e1s experiencia revise su trabajo de mayor trascendencia.<\/p>\n
Desde el punto de vista de su estructura, cada agente se basa en cinco capacidades. Un modelo base proporciona el motor de razonamiento; por ejemplo, Claude \u2018Sonnet\u2019, GPT \u20184o\u2019 o Gemini \u20183.5 Flash\u2019. Las herramientas dotan al agente de la capacidad de actuar: consultar una base de datos data, enviar un correo electr\u00f3nico, recuperar un documento o realizar un c\u00e1lculo. La memoria le permite conservar el contexto a lo largo de los pasos y, en el caso de los agentes m\u00e1s sofisticados, a lo largo de las sesiones. La orquestaci\u00f3n se encarga de la planificaci\u00f3n y el enrutamiento: decidir qu\u00e9 hacer a continuaci\u00f3n, cu\u00e1ndo escalar el problema y cu\u00e1ndo detenerse. Y las barreras de seguridad definen los l\u00edmites: lo que el agente est\u00e1 autorizado a hacer, a qu\u00e9 datos puede acceder y cu\u00e1ndo es necesaria la aprobaci\u00f3n de un ser humano.<\/p>\n
<\/p>\n
Figura 1. Los cinco componentes de un agente de inteligencia artificial.<\/em><\/p>\n Esta estructura es importante porque explica en qu\u00e9 se diferencian los agentes de aquellos elementos con los que a menudo se les confunde. Un chatbot cuenta con el modelo y, posiblemente, cierta memoria, pero carece de herramientas reales y de capacidad de coordinaci\u00f3n; habla, pero no act\u00faa. La RPA dispone de herramientas y capacidad de coordinaci\u00f3n, pero carece de razonamiento: sigue un guion y falla en cuanto la realidad se desv\u00eda de \u00e9l. El aprendizaje autom\u00e1tico tradicional cuenta con un razonamiento de tipo limitado, pero carece de inteligencia general, de uso de herramientas y de interfaz conversacional. Un agente combina los cinco componentes. Eso es lo que lo hace \u00fatil, y eso es lo que lo hace novedoso.<\/p>\n Conviene tener en cuenta otra distinci\u00f3n m\u00e1s: los agentes son probabil\u00edsticos, no deterministas. En ocasiones, realizar\u00e1n acciones inesperadas. Esta caracter\u00edstica resulta ventajosa en muchos casos de uso, ya que les permite gestionar esos casos l\u00edmite complejos que supusieron un obst\u00e1culo para las generaciones anteriores de automatizaci\u00f3n; sin embargo, en otros casos puede suponer un inconveniente. Saber distinguir entre ambos casos constituye la mayor parte del trabajo.<\/p>\n Si el t\u00e9rmino \u201cagente de IA\u201d abarca desde un informe diario programado hasta un sistema de negociaci\u00f3n aut\u00f3nomo, ha dejado de ser \u00fatil. En consonancia con la forma en que Gartner, Forrester y las principales plataformas describen actualmente este \u00e1mbito, nos resulta \u00fatil plantearlo como un espectro compuesto por cinco categor\u00edas con un grado de autonom\u00eda cada vez mayor.<\/p>\n Figura 2. Una taxonom\u00eda operativa de los sistemas agenciales.<\/em><\/p>\n Acciones programadas<\/strong> se sit\u00faan en el extremo m\u00e1s sencillo. Se trata de procesos de automatizaci\u00f3n que se ejecutan mediante un temporizador o un desencadenante: un informe diario de KPI, una limpieza de la bandeja de entrada a las 7 de la ma\u00f1ana, un webhook que se activa cuando se cierra una operaci\u00f3n en el CRM. Pueden utilizar un modelo de lenguaje grande (LLM) para un solo paso (resumir un documento, redactar un correo electr\u00f3nico), pero no razonan sobre qu\u00e9 hacer a continuaci\u00f3n. La mayor\u00eda de los ejecutivos ya cuentan con varias de estas soluciones; antes del cambio de denominaci\u00f3n de marketing, se denominaban \u201cautomatizaci\u00f3n\u201d.<\/p>\n Agentes de tareas<\/strong> A\u00f1ada al panorama una \u00fanica tarea espec\u00edfica impulsada por un modelo de lenguaje grande (LLM). Un ejemplo t\u00edpico: un agente que lee cada correo electr\u00f3nico recibido, lo clasifica por tema y urgencia, y lo remite al equipo adecuado. Implica un proceso de razonamiento, pero solo en un \u00fanico punto. El flujo que lo rodea es determinista. Estas soluciones resultan extremadamente \u00fatiles, muy econ\u00f3micas y constituyen el punto de partida natural para la mayor\u00eda de las organizaciones.<\/p>\n Agentes de automatizaci\u00f3n<\/strong> encadenar varios pasos dentro de un flujo de trabajo definido. Siguen estando sujetos a ciertas limitaciones, ya que los pasos se conocen de antemano, pero el modelo de lenguaje grande (LLM) toma decisiones en varios puntos: decide qu\u00e9 herramienta invocar, qu\u00e9 data recuperar y qu\u00e9 hacer si falla una comprobaci\u00f3n. Un buen ejemplo es un flujo de aprobaci\u00f3n de facturas que lee un PDF, extrae las partidas, las hace coincidir con las \u00f3rdenes de compra y, a continuaci\u00f3n, las aprueba o las remite para su revisi\u00f3n.<\/p>\n Agentes de flujo de trabajo<\/strong> son el \u00e1mbito en el que se est\u00e1 desarrollando hoy en d\u00eda la mayor parte del trabajo empresarial verdaderamente apasionante. A estos agentes se les asigna un resultado, en lugar de una secuencia concreta, como por ejemplo: \u201cresuma este contrato de arrendamiento de 80 p\u00e1ginas y se\u00f1ale cualquier aspecto que deba preocuparnos\u201d, y son ellos mismos quienes deciden c\u00f3mo lograrlo. Leer\u00e1n documentos, consultar\u00e1n sistemas, formular\u00e1n preguntas de seguimiento y repetir\u00e1n el proceso. El flujo de trabajo es emergente, en lugar de estar predefinido. Los modelos de razonamiento han aumentado dr\u00e1sticamente la fiabilidad de esta categor\u00eda en los \u00faltimos doce meses.<\/p>\n Sistemas multiagente<\/strong> son la vanguardia. Un agente coordinador divide un objetivo en subtareas y las delega a un especialista para cada una: uno para la investigaci\u00f3n, otro para el an\u00e1lisis, otro para la redacci\u00f3n y otro para la revisi\u00f3n. Si se gestionan adecuadamente, los sistemas multiagente pueden llevar a cabo un trabajo que un \u00fanico agente no podr\u00eda realizar. Si, por el contrario, se gestionan de forma inadecuada, generan ocho veces m\u00e1s posibilidades de fallo para obtener el mismo resultado. La mayor\u00eda de las empresas no deber\u00edan comenzar por aqu\u00ed.<\/p>\n Una pregunta \u00fatil que puede plantearse cuando un proveedor le ofrece algo es, sencillamente: \u00bfen qu\u00e9 punto de este espectro se sit\u00faa? Si le muestran una acci\u00f3n programada y le cobran por un agente de flujo de trabajo, acaba de identificar la forma m\u00e1s habitual de sobreventa de agentes en el mercado. Por el contrario, si su equipo est\u00e1 intentando implementar un sistema multiagente como su primera implementaci\u00f3n, an\u00edmeles con tacto a que empiecen una columna m\u00e1s a la izquierda.<\/p>\n Se dieron tres factores. En primer lugar, los modelos base superaron el umbral de fiabilidad necesario para el uso de herramientas. Hace dos a\u00f1os, pedirle a un modelo que llamara a una API y utilizara el resultado era sin\u00f3nimo de decepci\u00f3n; hoy en d\u00eda, los modelos b\u00e1sicos de Claude, GPT y Gemini gestionan el uso de herramientas en varios pasos con una tasa de acierto lo suficientemente buena como para su uso en producci\u00f3n. En segundo lugar, los modelos de razonamiento: Claude con pensamiento ampliado, la serie \u00abo\u00bb de OpenAI y los modos de razonamiento m\u00e1s profundos de Gemini han mejorado significativamente el rendimiento en el tipo de tareas de varios pasos que requieren un alto grado de criterio, tal y como exigen los flujos de trabajo reales. En tercer lugar, por fin se dispone de la infraestructura necesaria: marcos de orquestaci\u00f3n como LangGraph y CrewAI, o bien alguna de las numerosas soluciones de flujos de trabajo \u00ablow-code\u00bb; herramientas de evaluaci\u00f3n para realizar pruebas sistem\u00e1ticas; y el Protocolo de Contexto de Modelos (MCP), que ofrece a los agentes una forma estandarizada de integrarse con las docenas de sistemas en los que realmente opera una empresa.<\/p>\n La curva de costes tambi\u00e9n ha contribuido a ello. El precio por token de la inteligencia de vanguardia se ha reducido en un orden de magnitud en dos a\u00f1os, y el nivel \u00ablightweight\u00bb (Claude Haiku, GPT-mini, Gemini Flash) resulta ahora lo suficientemente asequible como para aplicarse a la escala de cada correo electr\u00f3nico o cada documento que genera una empresa.<\/p>\n El resultado es que nos encontramos en un momento que no se da con frecuencia: la tecnolog\u00eda es realmente capaz, las herramientas son realmente f\u00e1ciles de usar y la viabilidad econ\u00f3mica es real. Si a ello le sumamos que los marcos normativos comienzan a estabilizarse \u2014la Ley de IA de la UE es una realidad conocida, en lugar de un objetivo en constante cambio\u2014, y que los organismos reguladores del Golfo, incluida la SDAIA de Arabia Saud\u00ed, han publicado posiciones claras, el periodo 2025-2026 constituye el punto de inflexi\u00f3n en el que las empresas serias pasar\u00e1n de la fase de experimentaci\u00f3n a la de implantaci\u00f3n.<\/p>\n Entonces, \u00bfes realmente posible crear un agente de nivel empresarial en unas pocas horas? S\u00ed y no, y la diferencia entre ambas respuestas es precisamente el motivo por el que este art\u00edculo merece la pena.<\/p>\n Lo que sin duda puede crear en una tarde: un agente funcional que realice una tarea real. Elija un caso de uso, por ejemplo, resumir y clasificar el contenido de una bandeja de entrada compartida. Abra Claude Projects, n8n o la plataforma que prefiera. Configure el acceso a la bandeja de entrada, redacte una instrucci\u00f3n clara que describa la tarea, proporci\u00f3nele una base de conocimientos con ejemplos anteriores y establezca un calendario. Al final de la tarde, dispondr\u00e1 de un agente que realiza algo realmente \u00fatil. Mu\u00e9streselo a sus compa\u00f1eros de trabajo. Quedar\u00e1n impresionados. No se trata de un truco, sino de una muestra de lo mucho que han avanzado las herramientas subyacentes.<\/p>\n Lo que no se puede crear en una tarde es la diferencia entre esa demostraci\u00f3n y algo que realmente se implementar\u00eda para dos mil empleados repartidos en tres jurisdicciones. Para lograrlo, se necesitan controles de acceso que garanticen que el agente solo vea lo que cada usuario est\u00e1 autorizado a ver. Necesita un registro de auditor\u00eda que recoja cada decisi\u00f3n y cada llamada a la herramienta. Necesita un marco de evaluaci\u00f3n que le indique si el agente acierta el 95% de las veces o el 70%, y en qu\u00e9 aspectos tiende a equivocarse. Se necesitan controles de costes, ya que un agente que funcione sin supervisi\u00f3n puede agotar presupuestos de seis cifras en cuesti\u00f3n de d\u00edas. Se necesitan puntos de control con intervenci\u00f3n humana para las decisiones de gran repercusi\u00f3n. Se necesita que se gestione la residencia data para las regiones a las que les importa (y cada vez son m\u00e1s las que lo hacen). Necesita una ruta alternativa para cuando el modelo no est\u00e9 disponible. Necesita observabilidad para que su equipo de operaciones pueda ver lo que est\u00e1 sucediendo. Y necesita un programa de gesti\u00f3n del cambio para que su personal utilice realmente el sistema.<\/p>\n Seg\u00fan nuestra experiencia, el esfuerzo necesario para preparar un sistema para la producci\u00f3n suele ser entre diez y veinte veces mayor que el requerido para el prototipo. Un agente que a un desarrollador le llev\u00f3 tres d\u00edas crear, a un peque\u00f1o equipo le llevar\u00e1 tres meses adaptarlo para que cumpla con los est\u00e1ndares empresariales. Esto no es un fallo de la tecnolog\u00eda. Es la realidad de llevar a cabo cualquier tarea de forma responsable dentro de una gran organizaci\u00f3n. El mismo factor multiplicador se aplica a la implantaci\u00f3n de un CRM, a un sistema data platform o a la integraci\u00f3n de pagos. La diferencia es que la demostraci\u00f3n de esos proyectos no es tan buena como para hacerle olvidar el resto.<\/p>\n La forma correcta de interpretar la afirmaci\u00f3n de \u201cunas pocas horas\u201d es la siguiente: los prototipos agentivos son ahora realmente econ\u00f3micos. La producci\u00f3n agentiva, en cambio, no lo es. La clave reside en saber distinguir entre ambos y en aprovechar el bajo coste de los primeros para tomar mejores decisiones sobre los segundos.<\/em><\/p><\/blockquote>\n En la actualidad, existen tres formas generales de crear un agente, cada una con su propio audience, l\u00edmite m\u00e1ximo y ventajas e inconvenientes.<\/p>\n Se trata de plataformas en las que se crean agentes arrastrando nodos por un lienzo. n8n, Make (antes Integromat), las soluciones de IA de Zapier y Copilot Studio de Microsoft son las principales opciones. El modelo se aloja en un nodo, las herramientas en otros, y se conectan entre s\u00ed mediante l\u00edneas. Los constructores visuales son espectaculares para la creaci\u00f3n de prototipos y para casos de uso que se asemejan a la automatizaci\u00f3n cl\u00e1sica con un paso de LLM a\u00f1adido. Tambi\u00e9n son extraordinarios para democratizar el acceso a la creaci\u00f3n de flujos de trabajo. Un analista de negocios sin experiencia en programaci\u00f3n puede tener un agente \u00fatil en funcionamiento a la hora del almuerzo. El l\u00edmite existe, pero est\u00e1 lejos; los constructores visuales empiezan a dar problemas cuando los flujos de trabajo se ramifican en profundidad, cuando el estado debe mantenerse a lo largo de muchos pasos o cuando es necesario ajustar con precisi\u00f3n la latencia y el coste. Para muchos casos de uso internos, ese l\u00edmite es suficiente.<\/p>\n Claude Projects, los GPT personalizados de ChatGPT, Gemini Gems y los agentes de Microsoft Copilot le permiten crear soluciones redactando un conjunto detallado de instrucciones, adjuntando una base de conocimientos y concediendo acceso a un conjunto de herramientas cuidadosamente seleccionadas. No existe un lienzo visual; la \u201ccreaci\u00f3n\u201d consiste en una conversaci\u00f3n. Estas plataformas resultan excelentes para agentes de conocimiento, asistentes de investigaci\u00f3n, expertos internos y cualquier caso de uso en el que el valor resida en la calidad de la indicaci\u00f3n y de los documentos, m\u00e1s que en la complejidad del flujo de trabajo. Adem\u00e1s, son el punto de partida ideal para muchos ejecutivos, ya que no requieren ninguna intervenci\u00f3n de ingenier\u00eda y producen algo realmente \u00fatil en una sola sesi\u00f3n.<\/p>\n LangGraph, CrewAI, AutoGen y el ecosistema LangChain ofrecen a los equipos de ingenier\u00eda un control total sobre la orquestaci\u00f3n, la memoria, el estado, las evaluaciones y la implementaci\u00f3n. Adem\u00e1s, es aqu\u00ed donde se encuentran el SDK de agentes propio de Anthropic y los servicios de agentes de los principales proveedores de cloud. Las implementaciones basadas en c\u00f3digo llevan m\u00e1s tiempo, requieren ingenieros y son la opci\u00f3n m\u00e1s adecuada cuando hay mucho en juego, las integraciones son profundas y el agente va a gestionar miles de solicitudes al d\u00eda.<\/p>\n La realidad es que la mayor\u00eda de las empresas acaban utilizando las tres opciones. Los constructores visuales para la creaci\u00f3n r\u00e1pida de prototipos y la automatizaci\u00f3n sencilla de las tareas administrativas. Las plataformas basadas en indicaciones para casos de uso relacionados con el conocimiento y la asistencia que potencian a los equipos individuales. Los marcos basados en c\u00f3digo para los agentes que realmente importan, aquellos que se encuentran en la ruta cr\u00edtica de un proceso empresarial o de una interacci\u00f3n con el cliente. Considerar estos enfoques como bandos rivales en lugar de capas complementarias es un error habitual, que conduce a soluciones excesivamente complejas para problemas sencillos y a soluciones insuficientes para los problemas complejos.<\/p>\n La decisi\u00f3n rara vez se reduce a cu\u00e1l es la mejor herramienta. Se trata de determinar qu\u00e9 herramienta se adapta mejor al caso de uso concreto que se le plantea.<\/p>\n Esta es la pregunta que los directivos se plantean con mayor frecuencia, normalmente en voz baja. La respuesta es realmente alentadora: pr\u00e1cticamente cualquiera, al menos al principio.<\/p>\n El acceso al trabajo con agentes se ha democratizado de una forma que muy pocos avances tecnol\u00f3gicos han logrado. Hace tres a\u00f1os, \u201ccrear un sistema de IA\u201d requer\u00eda cient\u00edficos especializados en data, ingenieros de MLOps y un presupuesto. Hoy en d\u00eda, un responsable financiero que conozca bien sus propios procesos puede crear un agente funcional en Claude o Copilot Studio sin escribir ni una sola l\u00ednea de c\u00f3digo. Hemos observado c\u00f3mo esto se ha producido en todas las \u00e1reas de la empresa: equipos jur\u00eddicos que crean agentes de revisi\u00f3n de contratos, equipos de RR. HH. que desarrollan asistentes de incorporaci\u00f3n, tasadores que crean herramientas de resumen de contratos de arrendamiento y equipos de ventas que desarrollan generadores de propuestas. La habilidad que importa no es la programaci\u00f3n. Es la claridad de pensamiento respecto a la tarea: c\u00f3mo se define \u201cterminado\u201d, qu\u00e9 necesita saber el agente y en qu\u00e9 momentos es necesario que una persona se mantenga al tanto.<\/p>\n Esto no significa que la ingenier\u00eda sea irrelevante. Significa que el papel de la ingenier\u00eda ha cambiado. En los mejores modelos operativos que observamos, las TI pasan de ser un \u00abguardi\u00e1n\u00bb a un \u00abfacilitador\u00bb, proporcionando las plataformas, las medidas de seguridad, los patrones de acceso y los marcos de evaluaci\u00f3n dentro de los cuales los usuarios de negocio pueden desarrollar sus soluciones. La ingenier\u00eda construye la terminal y la pista de despegue; el negocio construye los aviones. Cuando algo que ha creado un usuario empresarial adquiere tal importancia que requiere un refuerzo de seguridad, la ingenier\u00eda se hace cargo de ello y lo lleva a producci\u00f3n. Esta es la aut\u00e9ntica democratizaci\u00f3n de la que se habla, y es una realidad.<\/p>\n Las implicaciones para los directivos son importantes. No es necesario contratar a un equipo de ingenieros especializados en IA para empezar. Lo que debe hacer es proporcionar a las personas m\u00e1s cercanas al trabajo las herramientas, la autorizaci\u00f3n y una breve formaci\u00f3n. Los agentes que marcan la diferencia en los negocios de nuestros clientes casi nunca son los que se imaginan en la estrategia central. Son aquellos creados por las personas que realizan el trabajo, que saben exactamente d\u00f3nde se producen los puntos de fricci\u00f3n.<\/p>\n Cuando se habla del futuro de los agentes, se tiende a pasar por alto el presente, lo cual es una l\u00e1stima, ya que el presente resulta m\u00e1s interesante de lo que la gente cree. Entre nuestra cartera de clientes \u2014empresas internacionales, organismos del sector p\u00fablico y, en concreto, el sector inmobiliario\u2014, hay una serie de patrones que, en la actualidad, generan valor de forma fiable. Merece la pena conocerlos.<\/p>\n Investigaci\u00f3n y s\u00edntesis.<\/strong> Agentes que analizan documentos, fuentes web y sistemas internos para generar res\u00famenes estructurados. Se utilizan ampliamente para la inteligencia de mercado, el an\u00e1lisis de la competencia, la diligencia debida, la selecci\u00f3n de inversiones y la revisi\u00f3n de pol\u00edticas. Son una buena opci\u00f3n porque el trabajo requiere un alto grado de criterio, es repetitivo y admite la intervenci\u00f3n de un revisor humano al final del proceso.<\/p>\n Tramitaci\u00f3n de documentos.<\/strong> Extracci\u00f3n de datos de contratos de arrendamiento, revisi\u00f3n de contratos, tramitaci\u00f3n de facturas, gesti\u00f3n de reclamaciones y KYC. En cualquier \u00e1mbito en el que sea necesario convertir documentos no estructurados en datos estructurados data, adem\u00e1s de se\u00f1alar aquellos casos que requieran la intervenci\u00f3n de una persona. Se trata de la implementaci\u00f3n en entorno de producci\u00f3n m\u00e1s habitual en los sectores regulados, incluido el inmobiliario.<\/p>\n Atenci\u00f3n al cliente y al personal.<\/strong> Un triaje de primera l\u00ednea que se encarga por completo de los casos sencillos y remite el resto con toda la informaci\u00f3n contextual adjunta. Si se lleva a cabo correctamente, estos agentes no sustituyen a las personas, sino que se aseguran de que estas solo se ocupen de los casos que realmente requieren su intervenci\u00f3n.<\/p>\n Conocimientos internos.<\/strong> Agentes que se integran en los documentos, wikis, sistemas de gesti\u00f3n de incidencias y archivos de correo electr\u00f3nico de una organizaci\u00f3n, y que responden a preguntas en lenguaje natural. Es aqu\u00ed donde muchas empresas perciben el valor de forma m\u00e1s r\u00e1pida y sencilla, y donde la gesti\u00f3n del cambio resulta m\u00e1s fluida, ya que el agente complementa los procesos en lugar de sustituirlos.<\/p>\n Generaci\u00f3n de c\u00f3digo.<\/strong> Merece la pena mencionarlo porque es el caso de uso que ha avanzado m\u00e1s r\u00e1pidamente de todos. Los equipos de ingenier\u00eda son ahora, de forma habitual, entre un 30 y un 40% m\u00e1s productivos cuando utilizan herramientas de programaci\u00f3n basada en agentes, y la diferencia sigue aumentando. Incluso los directivos que no pertenecen al \u00e1mbito de la ingenier\u00eda deber\u00edan prestar atenci\u00f3n a este tema, ya que modifica la curva de costes de cualquier otro software que se desarrolle.<\/p>\n Cumplimiento normativo y garant\u00eda de calidad.<\/strong> Agentes que supervisan las infracciones, preparan las auditor\u00edas y detectan anomal\u00edas. Resultan especialmente relevantes ante el endurecimiento de la normativa en la UE, el Reino Unido y la regi\u00f3n del Golfo.<\/p>\n \u00bfQu\u00e9 tienen en com\u00fan los buenos casos de uso? Una heur\u00edstica \u00fatil, que aplicamos con nuestros clientes: la tarea es lo suficientemente repetitiva como para que merezca la pena; requiere un grado de criterio tan elevado que la automatizaci\u00f3n tradicional ha fracasado; est\u00e1 lo suficientemente bien delimitada como para que se pueda describir el \u00e9xito en una sola frase; y admite una revisi\u00f3n con intervenci\u00f3n humana en los casos que realmente importan. Si un caso de uso candidato cumple estos cuatro requisitos, probablemente merezca la pena ponerlo a prueba. Si cumple tres, merece la pena discutirlo. Si cumple uno, es una apuesta arriesgada.<\/p>\n Las abstracciones solo resultan \u00fatiles hasta cierto punto. Para ilustrarlo con ejemplos concretos, a continuaci\u00f3n se presentan tres casos reales extra\u00eddos de la forma en que, en la actualidad, se est\u00e1n implantando los agentes en distintos sectores.<\/p>\n Una empresa inmobiliaria de tama\u00f1o medio cuenta con varios miles de contratos de arrendamiento en su cartera gestionada. Cada contrato de arrendamiento consta de entre cuarenta y noventa p\u00e1ginas de denso texto jur\u00eddico, almacenadas en formato PDF en un sistema de gesti\u00f3n documental. El equipo de gesti\u00f3n de activos necesita conocer, cuando sea necesario, el contenido de cada contrato: fechas de revisi\u00f3n del alquiler, cl\u00e1usulas de rescisi\u00f3n, disposiciones sobre gastos de comunidad, restricciones de enajenaci\u00f3n, obligaciones relacionadas con criterios ESG y cualquier cl\u00e1usula inusual que pueda afectar a la valoraci\u00f3n o al riesgo.<\/p>\n Hist\u00f3ricamente, esta era una tarea propia de los asistentes jur\u00eddicos. Una nueva adquisici\u00f3n supon\u00eda seis semanas de extracci\u00f3n manual de datos antes de que el activo pudiera modelarse adecuadamente. Hoy en d\u00eda, un agente de flujo de trabajo puede extraer los datos del mismo contrato de arrendamiento en quince minutos, estructurados seg\u00fan el esquema preferido del bufete, con indicaciones sobre cualquier aspecto inusual que deba revisar un perito colegiado. El tiempo de desarrollo de la primera versi\u00f3n fue de aproximadamente una semana en un generador visual. La preparaci\u00f3n para su puesta en producci\u00f3n, la incorporaci\u00f3n de registros de auditor\u00eda, las pruebas de evaluaci\u00f3n con un corpus etiquetado de contratos de arrendamiento, la integraci\u00f3n con el sistema de gesti\u00f3n documental y el registro de activos, as\u00ed como el establecimiento de una v\u00eda de escalado minuciosa para las cl\u00e1usulas ambiguas, llev\u00f3 cuatro meses. La inversi\u00f3n se amortiz\u00f3 en menos de un a\u00f1o, y el trabajo que antes supon\u00eda un cuello de botella en cada transacci\u00f3n ya no lo es en ning\u00fan caso.<\/p>\n Una empresa de servicios a nivel mundial con quince mil empleados gestionaba un servicio de asistencia interna que se ve\u00eda desbordado por la carga de trabajo. La mayor\u00eda de las incidencias eran variaciones de unas pocas docenas de patrones: restablecimiento de contrase\u00f1as, solicitudes de acceso a software, problemas con la VPN y consultas sobre el sistema de gastos. El equipo estim\u00f3 que 60% de las incidencias podr\u00edan resolverse sin intervenci\u00f3n humana si se dispusiera del contexto y las herramientas adecuadas.<\/p>\n Crearon un \u00abagente de tareas\u00bb, un \u00fanico paso basado en un modelo de lenguaje grande (LLM) de alcance limitado integrado en la plataforma de gesti\u00f3n de incidencias existente, que le\u00eda cada incidencia recibida, intentaba resolverla directamente utilizando un peque\u00f1o conjunto de herramientas preaprobadas (el sistema de identidad, el cat\u00e1logo de software y la API de gastos), y, a continuaci\u00f3n, cerraba el ticket o lo derivaba a un agente humano con un borrador de respuesta y el contexto completo. Tiempo de desarrollo del prototipo inicial: dos d\u00edas. Tiempo hasta la puesta en producci\u00f3n: tres meses, dedicados principalmente a los controles de acceso, los registros de auditor\u00eda y el ajuste de los umbrales de escalaci\u00f3n para que no se pasara por alto nada importante. Resultado: el tiempo de resoluci\u00f3n de las incidencias se redujo en un 70%, el equipo de primera l\u00ednea pas\u00f3 a dedicarse a tareas m\u00e1s interesantes y el agente gestiona ahora aproximadamente la mitad de todo el volumen de incidencias entrantes.<\/p>\n Un veh\u00edculo de inversi\u00f3n vinculado al Estado deseaba evaluar de forma sistem\u00e1tica las oportunidades en funci\u00f3n de las prioridades de la Visi\u00f3n 2030, los sectores se\u00f1alados para la diversificaci\u00f3n, los objetivos de desarrollo regional y los criterios ESG espec\u00edficos del contexto saud\u00ed. El volumen de posibles objetivos, documentos informativos y documentos presentados ante las autoridades reguladoras era tal que ning\u00fan equipo humano pod\u00eda revisarlos de forma exhaustiva.<\/p>\n En este caso, la soluci\u00f3n adecuada fue un sistema multiagente. Un agente de investigaci\u00f3n recopil\u00f3 y estructur\u00f3 la informaci\u00f3n sobre cada oportunidad a partir de documentos p\u00fablicos, noticias y bases de datos con licencia data. Un agente de an\u00e1lisis evalu\u00f3 la alineaci\u00f3n con el marco \u00abVisi\u00f3n 2030\u00bb. Un agente de riesgos puso de manifiesto las preocupaciones normativas y de reputaci\u00f3n. Un agente de redacci\u00f3n elabor\u00f3 un informe estructurado para el comit\u00e9 de inversiones. Tiempo de desarrollo del prototipo: unas tres semanas, ya que la coordinaci\u00f3n entre los distintos agentes requiri\u00f3 un trabajo de ingenier\u00eda propiamente dicho. Adaptaci\u00f3n para la puesta en producci\u00f3n: seis meses, prestando especial atenci\u00f3n a la residencia en el Reino (todo deb\u00eda ejecutarse dentro del Reino), al manejo del idioma \u00e1rabe y a un riguroso marco de evaluaci\u00f3n comparativo con decisiones hist\u00f3ricas. El sistema procesa ahora m\u00e1s oportunidades que el anterior equipo humano, y el comit\u00e9 recibe informes m\u00e1s exhaustivos y se limita a revisar \u00fanicamente las decisiones verdaderamente relevantes.<\/p>\n Lo que llama la atenci\u00f3n en los tres casos es la relaci\u00f3n entre ambos. En cada uno de ellos, la creaci\u00f3n del prototipo llev\u00f3 entre d\u00edas y semanas. La implementaci\u00f3n en producci\u00f3n, meses. Y en cada caso, no se habr\u00eda obtenido el valor sin llevar a cabo ambas fases. El prototipo demuestra que funciona. La implementaci\u00f3n en producci\u00f3n permite obtener el valor.<\/p>\n Tarde o temprano, a un directivo que impulse un programa de agentes se le plantear\u00e1 la siguiente pregunta: \u00bfqu\u00e9 modelo deber\u00edamos utilizar? La respuesta sincera es \u201cdepende, y probablemente m\u00e1s de uno\u201d, pero eso no resulta \u00fatil si no se explica con detalle. A continuaci\u00f3n se ofrece una visi\u00f3n equilibrada de las principales opciones en 2026.<\/p>\n Claude (Anthropic).<\/strong> Se le considera generalmente el m\u00e1s s\u00f3lido en razonamiento l\u00f3gico, especialmente en lo que se refiere al uso de herramientas, contextos extensos, razonamientos complejos y juicios minuciosos. Sus modos de pensamiento ampliados le dan a Claude una ventaja en tareas complejas. Destaca por su capacidad para seguir instrucciones matizadas, lo cual es importante cuando el dise\u00f1o incluye medidas de seguridad. S\u00f3lida postura empresarial, con posiciones claras en materia de formaci\u00f3n en data, indemnizaci\u00f3n por propiedad intelectual y un conjunto de controles empresariales cada vez m\u00e1s maduro. Contras: los costes por token se sit\u00faan en el extremo superior del nivel \u00abfrontier\u00bb, y la disponibilidad fuera de las principales regiones de cloud ha sido hist\u00f3ricamente inferior a la de los dem\u00e1s.<\/p>\n GPT (OpenAI).<\/strong> Es el hogar de los modelos de Frontier m\u00e1s extendidos y conocidos, con el ecosistema m\u00e1s completo de herramientas, integraciones y agentes preconfigurados. Los modelos de razonamiento de la serie \u00abo\u00bb son competitivos en las tareas m\u00e1s complejas. Destaca en cuanto al c\u00f3digo y destaca especialmente en la ergonom\u00eda para los desarrolladores. Inconvenientes: el comportamiento de los modelos ha variado notablemente entre las distintas versiones, lo que puede resultar problem\u00e1tico para los sistemas de producci\u00f3n en los que la coherencia es fundamental. La pol\u00edtica de precios y la postura de la empresa han madurado, aunque algunas organizaciones siguen mostr\u00e1ndose cautelosas por motivos de confidencialidad. El contenido generado por GPT suele considerarse relativamente elocuente en comparaci\u00f3n con el generado por Claude.<\/p>\n Gemini (Google).<\/strong> Excelente en tareas multimodales (el m\u00e1s destacado de los tres en cuanto al manejo nativo de im\u00e1genes, v\u00eddeo y audio) y perfectamente integrado en los ecosistemas de Google Workspace y Google Cloud. Gemini Flash resulta realmente econ\u00f3mico a gran escala, lo que lo convierte en la opci\u00f3n predeterminada para cargas de trabajo de gran volumen y menor complejidad. Contras: la brecha en cuanto a la capacidad de razonamiento en tareas agentivas complejas se ha reducido, pero no se ha cerrado por completo en comparaci\u00f3n con Claude y la serie \u00abo\u00bb.<\/p>\n Llama (Meta).<\/strong> La familia de fuentes de peso abierto m\u00e1s extendida, con un s\u00f3lido apoyo del ecosistema y un rendimiento competitivo en los tama\u00f1os m\u00e1s grandes. La opci\u00f3n natural cuando se requiere el autoalojamiento para la residencia data, la previsibilidad de los costes en vol\u00famenes muy elevados o por pol\u00edtica de la organizaci\u00f3n. Contras: las condiciones de la licencia son viables, pero no tan permisivas como las licencias verdaderamente abiertas; el rendimiento en las tareas de razonamiento m\u00e1s complejas a\u00fan no alcanza los niveles m\u00e1s avanzados.<\/p>\n Mistral.<\/strong> Con sede en Europa, cuenta con modelos s\u00f3lidos en m\u00faltiples tama\u00f1os y una pol\u00edtica de licencias adaptada a las empresas. Es la opci\u00f3n ideal para los clientes europeos preocupados por la soberan\u00eda, y cada vez m\u00e1s eficaz en los tama\u00f1os m\u00e1s grandes. Los modelos m\u00e1s peque\u00f1os de Mistral destacan especialmente como capa principal en una implementaci\u00f3n en ruta. Contras: un ecosistema m\u00e1s limitado que el de Llama, y una capacidad de razonamiento que a\u00fan se encuentra algo por detr\u00e1s de los modelos cerrados de vanguardia.<\/p>\n Qwen (Alibaba).<\/strong> La familia con sede en China que m\u00e1s ha mejorado durante el \u00faltimo a\u00f1o. S\u00f3lida gesti\u00f3n multiling\u00fce, especialmente en chino y \u00e1rabe, y rendimiento competitivo en los vol\u00famenes m\u00e1s grandes. De creciente relevancia para las organizaciones que operan en Asia y el Golfo. Contras: las consideraciones organizativas var\u00edan seg\u00fan la jurisdicci\u00f3n; algunas empresas no tendr\u00e1n en cuenta los modelos de origen chino, independientemente de su capacidad.<\/p>\n En la pr\u00e1ctica, animamos a los clientes a plantearse dos aspectos: \u00bfqu\u00e9 grado de complejidad presenta la tarea? y \u00bfqu\u00e9 grado de sensibilidad tiene el data?<\/p>\n Figura 3. Marco de decisi\u00f3n de dos ejes para la elecci\u00f3n de un modelo base.<\/em><\/p>\n Para tareas complejas en entornos no confidenciales data, los modelos cerrados de vanguardia de Claude, GPT o Gemini, a trav\u00e9s de una API gestionada, constituyen casi siempre el punto de partida adecuado. La calidad del razonamiento es m\u00e1s importante que el coste o la sobrecarga de implementaci\u00f3n.<\/p>\n Para tareas complejas relacionadas con datos sensibles \u2014historiales de pacientes, transacciones financieras, informaci\u00f3n soberana\u2014, un modelo de peso abierto autohospedado resulta cada vez m\u00e1s viable, especialmente con Llama en los tama\u00f1os m\u00e1s grandes. El rendimiento es suficiente para la mayor\u00eda de las tareas empresariales; la residencia y el control de los datos son imprescindibles.<\/p>\n Para tareas sencillas en entornos no confidenciales de data, el nivel de modelos ligeros; Claude Haiku, GPT-mini y Gemini Flash gestionan vol\u00famenes enormes a un coste marginal. Aqu\u00ed es donde se encuentran los agentes por correo electr\u00f3nico, por documento y por transacci\u00f3n.<\/p>\n Para tareas sencillas en entornos sensibles como data, un modelo peque\u00f1o alojado en sus propios servidores \u2014como Mistral Small, Qwen 2.5 o un modelo Llama ajustado\u2014 suele ser la soluci\u00f3n m\u00e1s rentable.<\/p>\n La tarea es lo suficientemente sencilla como para que el modelo m\u00e1s peque\u00f1o resulte suficiente, y el autoaprendizaje se encarga de la sensibilidad.<\/p>\n Las implementaciones m\u00e1s sofisticadas actualmente distribuyen las solicitudes entre estos cuadrantes de forma din\u00e1mica. Cuando se recibe una solicitud de un usuario, un peque\u00f1o modelo de enrutamiento la clasifica y la env\u00eda al modelo m\u00e1s econ\u00f3mico capaz de gestionarla. As\u00ed es como funciona realmente la econom\u00eda a gran escala y c\u00f3mo las empresas evitan tanto pagar de m\u00e1s por tareas rutinarias como prestar un servicio insuficiente en las tareas m\u00e1s complejas.<\/p>\n Una recomendaci\u00f3n m\u00e1s: no se limite a s\u00ed mismo. Dise\u00f1e su plataforma de agentes de tal forma que el modelo sea sustituible. Es posible que los l\u00edderes de dentro de seis meses no sean los mismos que los de hoy; la capa del modelo debe ser un componente intercambiable, no un compromiso estructural. Si la propuesta de un proveedor dificulta esto, pregunte por qu\u00e9.<\/em><\/p><\/blockquote>\n Esta es la secci\u00f3n que, si est\u00e1 leyendo este art\u00edculo con seriedad, probablemente deber\u00eda leer dos veces. Los obst\u00e1culos para la implantaci\u00f3n de agentes a nivel empresarial son bien conocidos por cualquiera que lo haya llevado a cabo realmente, y se dividen, a grandes rasgos, a partes iguales entre los de car\u00e1cter t\u00e9cnico y los de car\u00e1cter organizativo. Seg\u00fan nuestra experiencia, el aspecto organizativo es la parte m\u00e1s dif\u00edcil y aquella en la que la mayor\u00eda de los equipos directivos invierten menos de lo necesario.<\/p>\n Figura 4. Los obst\u00e1culos que con mayor frecuencia frenan los programas ag\u00e9nicos.<\/em><\/p>\n Calidad Data.<\/strong> La raz\u00f3n principal por la que los pilotos basados en agentes no logran escalar. Los agentes solo son tan eficaces como el data al que acceden. Los formatos inconsistentes, los registros duplicados, los campos que faltan y las fuentes data hu\u00e9rfanas los hacen fracasar r\u00e1pidamente. Una auditor\u00eda del data antes \u2014y no despu\u00e9s\u2014 de un proyecto piloto es la mejora m\u00e1s econ\u00f3mica que pueden llevar a cabo la mayor\u00eda de las organizaciones.<\/p>\n Expansi\u00f3n desordenada de data.<\/strong> Para la mayor\u00eda de las empresas, entre el 70 % y el 80 % de la informaci\u00f3n relevante se encuentra en archivos PDF, correos electr\u00f3nicos, documentos escaneados, unidades compartidas y sitios de intranet. Los agentes pueden gestionar esta informaci\u00f3n, pero solo si se cuenta con la arquitectura de recuperaci\u00f3n adecuada y la voluntad de invertir en su extracci\u00f3n, indexaci\u00f3n y gesti\u00f3n.<\/p>\n D\u00e9bil data governance.<\/strong> El historial, los controles de acceso, la residencia y las pol\u00edticas de retenci\u00f3n cobran una importancia fundamental cuando un agente puede leer y actuar en todo su entorno data. La mayor\u00eda de las empresas se dan cuenta de que su gobernanza es m\u00e1s d\u00e9bil de lo que pensaban la primera vez que un agente realiza una acci\u00f3n inesperada.<\/p>\n Integraciones de sistemas poco s\u00f3lidas.<\/strong> Los sistemas ERP heredados, las API personalizadas y los sistemas que nunca se dise\u00f1aron para ser consultados mediante programaci\u00f3n suponen un obst\u00e1culo. El Protocolo de Contexto de Modelos est\u00e1 resultando de gran ayuda en este sentido, pero los sistemas heredados siguen suponiendo un problema persistente.<\/p>\n No hay evaluaciones ni observabilidad.<\/strong> La se\u00f1al de alarma m\u00e1s importante en la presentaci\u00f3n de un proveedor es la ausencia de un marco de evaluaci\u00f3n. Si no puede evaluar si el agente es adecuado, no podr\u00e1 implementarlo. Hemos visto c\u00f3mo organizaciones muy avanzadas han pasado por alto este aspecto y luego se han arrepentido.<\/p>\n Sorpresas en cuanto a costes y latencia.<\/strong> El consumo de tokens puede acumularse r\u00e1pidamente. La latencia en los agentes con contextos extensos y que requieren un gran esfuerzo de razonamiento puede llegar a niveles que perjudiquen la experiencia del usuario. Ambos aspectos deben supervisarse desde el primer d\u00eda, y no descubrirse en el cuarto mes.<\/p>\n Titularidad poco clara.<\/strong> El trabajo de tipo \u00abagente\u00bb se encuentra en una situaci\u00f3n inc\u00f3moda entre el departamento de TI, data y el \u00e1mbito empresarial. Sin un responsable claramente designado y sin un patrocinador con la autoridad pol\u00edtica necesaria para zanjar los empates, los programas quedan estancados en un limbo de aprobaciones o se fragmentan en proyectos paralelos.<\/p>\n Incentivos desalineados.<\/strong> A las personas se les recompensa por el trabajo que realizan actualmente. Si un agente pone en peligro ese trabajo, las personas m\u00e1s indicadas para hacer que dicho agente resulte \u00fatil son precisamente las mismas que tienen m\u00e1s probabilidades de obstaculizarlo. Reconocerlo con franqueza es la mitad de la soluci\u00f3n.<\/p>\n Incoherencia en el modelo operativo.<\/strong> La mayor\u00eda de las empresas se organizan en torno a proyectos con objetivos finales definidos. Los agentes son productos que requieren un ajuste, una evaluaci\u00f3n y una mejora continuos. Intentar llevar a cabo el trabajo relacionado con los agentes mediante un modelo operativo de proyectos da lugar a implementaciones fr\u00e1giles que se deterioran con el tiempo.<\/p>\n Deuda derivada de la gesti\u00f3n del cambio.<\/strong> Lo m\u00e1s dif\u00edcil de la implantaci\u00f3n de un agente no es crear el agente en s\u00ed, sino redise\u00f1ar el trabajo en torno a \u00e9l. La mayor\u00eda de las organizaciones no han invertido en la capacidad de cambio necesaria para llevarlo a cabo adecuadamente.<\/p>\n Miedo al desplazamiento.<\/strong> La implantaci\u00f3n se estanca cuando el personal teme que el agente est\u00e9 ah\u00ed para sustituirlos. Las implantaciones m\u00e1s exitosas que observamos son claras y cre\u00edbles al respecto: el agente se encarga de las tareas m\u00e1s mon\u00f3tonas para que las personas puedan centrarse en aquellas partes del trabajo que requieren su criterio. No basta con decirlo; el comportamiento debe respaldarlo.<\/p>\n Bajo nivel de alfabetizaci\u00f3n en evaluaciones.<\/strong> A los directivos que no son capaces de evaluar de forma significativa si un agente est\u00e1 trabajando les resulta f\u00e1cil dejarse convencer por demostraciones que no son extrapolables. Crear un vocabulario com\u00fan \u2014exactitud, precisi\u00f3n, recuperaci\u00f3n, tasa de alucinaciones, tasa de escalaci\u00f3n, coste por resoluci\u00f3n\u2014 forma parte ahora de las funciones de cualquier directivo que supervise el trabajo de los agentes.<\/p>\n Si tuvi\u00e9ramos que se\u00f1alar los dos obst\u00e1culos que merecen mayor atenci\u00f3n por parte de la alta direcci\u00f3n, ser\u00edan: data governance en el \u00e1mbito t\u00e9cnico y el modelo operativo en el \u00e1mbito organizativo. Son los que, si no se abordan, limitar\u00e1n de forma imperceptible el valor que pueda obtener, por muy buenos que lleguen a ser los modelos.<\/p>\n Una pregunta \u00fatil que conviene plantearse respecto a cualquier sistema de agentes antes de que entre en fase de producci\u00f3n es: \u00bfqu\u00e9 tendr\u00eda que ocurrir para que me sintiera tranquilo si esto fallara p\u00fablicamente? Porque, a gran escala, los agentes fallar\u00e1n p\u00fablicamente. La clave est\u00e1 en asegurarse de que, cuando eso ocurra, se pueda detectar, contener y recuperarse r\u00e1pidamente.<\/p>\n Una implementaci\u00f3n de nivel empresarial requiere una serie reducida de requisitos imprescindibles. Ninguno de ellos resulta especialmente interesante por s\u00ed solo; sin embargo, en conjunto marcan la diferencia entre algo que explicar\u00eda con gusto a un organismo regulador y algo que preferir\u00eda no tener que explicar.<\/p>\n Gesti\u00f3n de identidades y accesos.<\/strong> Cada acci\u00f3n de un agente debe ejecutarse bajo una identidad, con permisos heredados del usuario en cuyo nombre act\u00faa. Los agentes que operan con amplios privilegios de cuenta de servicio suponen un riesgo de interrupci\u00f3n del servicio y un posible hallazgo de auditor\u00eda.<\/p>\n Registro de auditor\u00eda.<\/strong> Cada decisi\u00f3n, cada solicitud de asistencia t\u00e9cnica y cada escalaci\u00f3n deben quedar registradas, ser inalterables y poder consultarse. No es opcional. Las autoridades reguladoras de los servicios financieros, la sanidad y, cada vez m\u00e1s, otros sectores regulados le preguntar\u00e1n al respecto. Usted querr\u00e1 que la respuesta sea \u201cs\u00ed, aqu\u00ed\u201d.<\/p>\n Marco de evaluaci\u00f3n.<\/strong> Un conjunto de pruebas etiquetadas con el que se eval\u00faa al agente antes de cada lanzamiento, con umbrales claros que definen lo que se considera superado. Esta es la inversi\u00f3n de mayor valor que la mayor\u00eda de los equipos no aprovechan lo suficiente. Si su equipo no puede mostrarle sus evaluaciones, es que no ha desarrollado un agente de nivel empresarial.<\/p>\n Observabilidad.<\/strong> Visibilidad en tiempo real del rendimiento del agente en entorno de producci\u00f3n: tasa de \u00e9xito, latencia, coste por solicitud, tasa de escalaci\u00f3n y desviaci\u00f3n a lo largo del tiempo. Las mismas m\u00e9tricas que cabr\u00eda esperar de cualquier servicio en producci\u00f3n, monitorizadas a nivel del agente.<\/p>\n Control de costes.<\/strong> L\u00edmites de gasto por usuario, por agente y por inquilino. Alertas. Limitaci\u00f3n autom\u00e1tica en caso de bucles sin control. El gasto de tokens sin controles es el equivalente, en el \u00e1mbito de los agentes, a una fuga de memoria.<\/p>\n Puntos de control con intervenci\u00f3n humana.<\/strong> Las decisiones de gran trascendencia deben someterse a una revisi\u00f3n humana, en la que el agente exponga el contexto y formule una recomendaci\u00f3n. El umbral concreto depender\u00e1 del caso de uso; sin embargo, la mera existencia de dicho umbral es innegociable.<\/p>\n Data: gobernanza y residencia.<\/strong> Pol\u00edticas claras sobre qu\u00e9 data puede leer, escribir, conservar y transferir a trav\u00e9s de las fronteras el agente. Esto reviste especial importancia si opera en la UE, el Reino Unido, los pa\u00edses del Golfo y otros reg\u00edmenes con sus propias posiciones.<\/p>\n Comportamiento alternativo.<\/strong> \u00bfQu\u00e9 ocurre cuando el modelo no est\u00e1 disponible, la respuesta no se puede analizar o falla la llamada a la herramienta? Los agentes de producci\u00f3n necesitan una degradaci\u00f3n gradual, no un fallo silencioso ni un comportamiento inesperado.<\/p>\n Patrones de escalabilidad.<\/strong> La arquitectura deber\u00eda poder gestionar un volumen 100 veces superior al del lanzamiento sin necesidad de cambiar de plataforma. Enrutamiento entre modelos, almacenamiento en cach\u00e9, procesamiento as\u00edncrono, ejecuci\u00f3n basada en colas: las pr\u00e1cticas habituales de los sistemas distribuidos aplicadas a un nuevo sustrato.<\/p>\n Ninguna de estas deficiencias es inusual. Todas ellas suelen pasarse por alto en los sistemas de agentes que se han desarrollado con prisas y nunca se han reforzado adecuadamente. La raz\u00f3n por la que la brecha entre el prototipo y la producci\u00f3n es tan amplia es que esta lista representa precisamente esa brecha.<\/p>\n En todas las implementaciones de agentes que hemos llevado a cabo con nuestros clientes durante los \u00faltimos dos a\u00f1os, se ha puesto de manifiesto un patr\u00f3n claro de cinco etapas. Definirlo abiertamente ayuda a los directivos a planificar los presupuestos, gestionar las expectativas y contar con las personas adecuadas en el momento oportuno.<\/p>\n Figura 5. Las cinco etapas de un despliegue agencial.<\/em><\/p>\n Fase 1: Descubrir.<\/strong> Identifique los casos de uso candidatos, eval\u00fae su valor, analice el data que necesitar\u00edan y seleccione uno o dos para una primera prueba piloto. La disciplina en esta fase consiste en saber decir \u00abno\u00bb: la mayor\u00eda de los casos de uso candidatos a\u00fan no est\u00e1n preparados, y empezar por el lugar equivocado es la raz\u00f3n m\u00e1s habitual por la que los programas pierden impulso. Los participantes: el patrocinador empresarial, los operadores que realizan el trabajo y un responsable de data.<\/p>\n Fase 2: Prototipo.<\/strong> Desarrolle un agente funcional para el caso de uso elegido, de principio a fin, en un plazo de unos d\u00edas a unas semanas. Los constructores visuales o las plataformas basadas en indicaciones suelen ser las herramientas adecuadas en esta fase. El objetivo es demostrar que el caso de uso funciona en principio, no crear el sistema de producci\u00f3n. El equipo: un peque\u00f1o equipo de desarrollo, usuarios de negocio para recabar opiniones y el equipo de ingenier\u00eda para asesorar sobre el camino hacia la producci\u00f3n.<\/p>\n Fase 3: Endurecimiento.<\/strong> La fase m\u00e1s larga y a la que se suele destinar menos presupuesto. Se debe crear el entorno de evaluaci\u00f3n, a\u00f1adir controles de acceso, implementar la observabilidad, determinar los puntos de control con intervenci\u00f3n humana y realizar pruebas previas a la producci\u00f3n. La mayor\u00eda de las empresas se estancan en esta fase, ya que el trabajo no resulta atractivo y el prototipo ya tiene un aspecto impresionante. Los departamentos implicados: ingenier\u00eda, seguridad, riesgos y cumplimiento normativo, y gesti\u00f3n del cambio.<\/p>\n Fase 4: Implementaci\u00f3n.<\/strong> Implemente la soluci\u00f3n entre los usuarios piloto, supervise atentamente las m\u00e9tricas y realice ajustes en funci\u00f3n del uso real. Planifique la gesti\u00f3n del cambio; forme a los usuarios, establezca las expectativas y cree un ciclo de retroalimentaci\u00f3n. La mayor\u00eda de las implementaciones requieren entre tres y seis semanas de supervisi\u00f3n minuciosa antes de proceder a una implantaci\u00f3n m\u00e1s amplia. Los responsables: el departamento de operaciones, el de gesti\u00f3n del cambio y RR. HH., as\u00ed como el patrocinador empresarial original.<\/p>\n Etapa 5: Ampliaci\u00f3n.<\/strong> Ampliar el agente a poblaciones m\u00e1s amplias, identificar patrones y componentes reutilizables, y crear el centro de excelencia que dar\u00e1 soporte a los casos de uso segundo, tercero y cuarto. Es aqu\u00ed donde la cuesti\u00f3n del modelo operativo cobra especial relevancia: \u00bfc\u00f3mo gestiona realmente la organizaci\u00f3n un conjunto de agentes a lo largo del tiempo? Los participantes: el patrocinador ejecutivo, los futuros responsables de IA y el responsable del modelo operativo.<\/p>\n En la actualidad, la mayor\u00eda de las empresas cuentan con varios proyectos piloto en la fase 2 y muy pocos sistemas en las fases 4 o 5. La ventaja competitiva en los pr\u00f3ximos dos a\u00f1os recaer\u00e1 de forma desproporcionada en aquellas organizaciones que aprendan a pasar sin contratiempos de la fase 3 a la fase 5.<\/p>\n \u00bfC\u00f3mo ser\u00e1 el panorama de la agencia dentro de 12 a 36 meses? Ya se vislumbran cuatro cambios que conviene tener en cuenta a la hora de planificar.<\/p>\n Los sistemas multiagente se est\u00e1n convirtiendo en la norma para las tareas complejas.<\/strong> Hoy en d\u00eda, la tecnolog\u00eda multiagente representa la vanguardia. Para 2027, ser\u00e1 la arquitectura por defecto para cualquier flujo de trabajo basado en agentes que no sea trivial. Las herramientas de orquestaci\u00f3n est\u00e1n madurando r\u00e1pidamente, y el coste de ejecutar m\u00faltiples agentes especializados es ahora lo suficientemente bajo como para que la simplicidad de ingenier\u00eda que supone \u201cun \u00fanico agente grande\u201d ya no resulte justificada desde el punto de vista econ\u00f3mico. Las empresas que hayan invertido en marcos de evaluaci\u00f3n y observabilidad se adaptar\u00e1n a esta tendencia sin problemas. Las que no lo hayan hecho tendr\u00e1n dificultades.<\/p>\n Mercados de agentes y componentes reutilizables.<\/strong> La situaci\u00f3n actual, en la que cada empresa desarrolla todos sus agentes desde cero, es transitoria. Prevemos un cambio significativo hacia mercados de agentes ya desarrollados y componentes reutilizables, tanto suministrados por proveedores como propios de las empresas. En las grandes empresas ya est\u00e1 surgiendo el equivalente interno a una tienda de aplicaciones privada. Para los ejecutivos, esto modifica la disyuntiva entre \u00abdesarrollar o comprar\u00bb, que para 2027 se parecer\u00e1 m\u00e1s a \u00abdesarrollar o componer\u00bb.<\/p>\n Miner\u00eda de procesos basada en agentes.<\/strong> Los proveedores de miner\u00eda de procesos est\u00e1n incorporando r\u00e1pidamente capacidades basadas en agentes, mientras que el descubrimiento de procesos nativo de la IA est\u00e1 surgiendo desde otra perspectiva. Los agentes combinados, capaces de mapear sus procesos, identificar oportunidades y, a continuaci\u00f3n, implementar los flujos de trabajo resultantes, se convertir\u00e1n en una categor\u00eda cada vez m\u00e1s relevante. Analice con cautela las propuestas actuales de los proveedores en este \u00e1mbito; la tecnolog\u00eda avanza r\u00e1pidamente y el riesgo de dependencia es real.<\/p>\n Se endurecen las normas.<\/strong> Los requisitos para los sistemas de alto riesgo de la Ley de IA de la UE entrar\u00e1n en vigor de forma progresiva a lo largo de 2026 y 2027. El Reino Unido est\u00e1 adoptando un enfoque m\u00e1s sectorial, pero los servicios financieros, la asistencia sanitaria y las infraestructuras cr\u00edticas se incluyen en su \u00e1mbito de aplicaci\u00f3n. La SDAIA de Arabia Saud\u00ed y la Oficina de IA de los Emiratos \u00c1rabes Unidos han publicado marcos normativos que se convertir\u00e1n en requisitos vinculantes. La Ley B\u00e1sica de IA de Corea del Sur entr\u00f3 en vigor en enero de 2026. En EE. UU. existe un mosaico cambiante de legislaciones estatales. Y los sectores est\u00e1n respondiendo con directrices actualizadas: la RICS est\u00e1 actualizando sus directrices para el sector inmobiliario; la MAS de Singapur ha publicado principios y metodolog\u00edas espec\u00edficos para la IA en el \u00e1mbito financiero; y las aseguradoras preguntan ahora a los bufetes de abogados y a las firmas de contabilidad, en el momento de la renovaci\u00f3n, si cuentan con pol\u00edticas de uso de la IA. La carga que supone el cumplimiento normativo est\u00e1 aumentando, pero tambi\u00e9n se est\u00e1 aclarando en qu\u00e9 consiste dicho cumplimiento. Planif\u00edquese para ello; no se deje sorprender por ello.<\/p>\n El aspecto estrat\u00e9gico m\u00e1s importante que deben interiorizar los directivos es que los modelos base seguir\u00e1n convirti\u00e9ndose en un producto b\u00e1sico. La ventaja competitiva no residir\u00e1 ah\u00ed. Residir\u00e1 en el modelo data propio al que tenga acceso, en los flujos de trabajo que haya redise\u00f1ado en torno a la capacidad de agencia y en la infraestructura de evaluaci\u00f3n que haya creado y que le permita implementar mejoras m\u00e1s r\u00e1pidamente que sus competidores. Las organizaciones que inviertan ahora en estos tres aspectos obtendr\u00e1n una ventaja acumulativa; las que apuesten por que un modelo concreto resulte ganador, no.<\/em><\/p><\/blockquote>\n La tentaci\u00f3n de esperar a que las cosas se estabilicen es comprensible. Pero tambi\u00e9n resulta costosa. El coste de empezar ahora consiste, en su mayor parte, en el coste de los errores; el coste de esperar dos a\u00f1os es el de quedarse estructuralmente por detr\u00e1s de los competidores que han aprendido sobre la marcha.<\/p>\n Volviendo al titular: \u00bfes realmente posible crear un agente de IA de nivel empresarial en tan solo unas horas?<\/p>\n Se puede crear un agente en unas pocas horas. Se puede crear algo \u00fatil en unos pocos d\u00edas. Se puede crear algo realmente bueno en unas pocas semanas. Pero un sistema de nivel empresarial \u2014del tipo que presentar\u00eda con total confianza a sus clientes m\u00e1s importantes, a sus organismos reguladores y a su consejo de administraci\u00f3n\u2014 requiere meses de trabajo minucioso, incluso con las mejores herramientas. Y esa brecha no se est\u00e1 reduciendo tan r\u00e1pidamente como sugieren los titulares. En todo caso, se est\u00e1 ampliando, ya que el list\u00f3n de lo que significa \u201cde nivel empresarial\u201d se eleva en paralelo a las capacidades de los modelos subyacentes.<\/p>\n La buena noticia es que el coste de averiguarlo se ha reducido pr\u00e1cticamente a cero. Tres medidas que cualquier directivo puede poner en pr\u00e1ctica la pr\u00f3xima semana, sin necesidad de aprobaci\u00f3n presupuestaria, sin un comit\u00e9 directivo y sin comprometerse a nada estrat\u00e9gico.<\/p>\n En primer lugar, elija una tarea repetitiva, que requiera tomar muchas decisiones y que est\u00e9 bien delimitada dentro de su propio trabajo. Cree un agente b\u00e1sico para ella en Claude, ChatGPT, Gemini o Copilot Studio. \u00daselo durante quince d\u00edas. Aprender\u00e1 m\u00e1s en esas dos semanas que con cualquier cantidad de presentaciones de diapositivas.<\/p>\n En segundo lugar, analice un proceso de su empresa a la luz de la heur\u00edstica de cuatro partes mencionada anteriormente: repetitivo, que requiere un alto grado de criterio, delimitado y susceptible de revisi\u00f3n humana. Los procesos que resulten de este an\u00e1lisis son aquellos en los que se encuentran sus verdaderas oportunidades.<\/p>\n En tercer lugar, plantee a su equipo una \u00fanica pregunta: \u00bfcu\u00e1l es nuestro marco de evaluaci\u00f3n? Si no pueden responder con claridad, ese ser\u00e1 su punto de partida.<\/p>\n Las empresas que logren hacerlo bien en los pr\u00f3ximos dieciocho meses no ser\u00e1n aquellas que hayan creado las demostraciones m\u00e1s ingeniosas. Ser\u00e1n aquellas que hayan aprendido, con rapidez y honestidad, a salvar la distancia que separa un agente que funciona de uno que realmente funciona.<\/p>\n Artefact ayud\u00f3 a una empresa del sector inmobiliario comercial (CRE) a alcanzar la autosuficiencia estrat\u00e9gica en el desarrollo de \u00abTask Agents\u00bb mediante sesiones de formaci\u00f3n, tutor\u00eda y programaci\u00f3n en pareja para su equipo interno de analistas, al tiempo que dirigi\u00f3 la entrega de tres \u00abTask Agents\u00bb operativos. La arquitectura de los agentes se limit\u00f3 a Claude (servicio de modelo base) y Power Automate (orquestaci\u00f3n, memoria, herramientas y medidas de seguridad), de modo que los agentes pudieran basarse, en l\u00edneas generales, en el mismo ecosistema de herramientas al que el equipo interno estaba acostumbrado y que este fuera capaz de mantener junto con su tecnolog\u00eda existente.<\/p>\n De este modo, a los agentes se les atribuyeron algunos atributos de un servicio de producci\u00f3n, pero no otros, entre los que se incluyen el registro de auditor\u00eda, la observabilidad y la escalabilidad. No obstante, en poco tiempo, el CRE adopt\u00f3 un enfoque conciso pero eficaz en materia de data governance y residencia, puntos de control con intervenci\u00f3n humana y gesti\u00f3n de la identificaci\u00f3n y el acceso, junto con procesos de evaluaci\u00f3n y procedimientos de administraci\u00f3n b\u00e1sicos, lo que le permiti\u00f3 encaminarse hacia la consecuci\u00f3n de mejoras significativas en la eficiencia.<\/p>\n Artefact ha desarrollado un prototipo de \u2018agente de flujo de trabajo\u2019 implementado en las \u2018habilidades\u2019 de Claude, que se ha convertido en un \u00abconector\u00bb de Claude de alto rendimiento; esto representa el uso de MCP para pasar de definir una tarea de IA exclusivamente en lenguaje natural a definirla como una combinaci\u00f3n de herramientas de IA de alto rendimiento. La diferencia clave que convierte a la soluci\u00f3n en un \u00abWorkflow Agent\u00bb y no simplemente en un \u00abTask Agent\u00bb es la aplicaci\u00f3n de un LLM principal para gestionar la secuencia de llamadas a las herramientas, adem\u00e1s de la invocaci\u00f3n de LLM secundarios para llevar a cabo las operaciones de dichas herramientas.<\/p>\n La introducci\u00f3n del patr\u00f3n \u00abClaude Connector\u00bb junto con una pila de Azure ya existente gener\u00f3 un nuevo requisito para dar soporte al tr\u00e1fico de entrada de red y al acceso data. En aquellas organizaciones en las que los servicios comunes de este tipo se gestionan con \u00e9xito como servicios compartidos, observamos que el tiempo necesario para la implementaci\u00f3n de nuevos servicios en producci\u00f3n se reduce hasta tres veces con cada nueva puesta en marcha.<\/p>\n <\/p>\n Chris de Gruben<\/a> Es director s\u00e9nior en Artefact, donde dirige el sector inmobiliario en todo el Reino Unido y la Uni\u00f3n Europea. Colabora estrechamente con clientes de los sectores p\u00fablico y privado en todo el Reino Unido, Europa y la regi\u00f3n del Golfo.<\/p>\nUna taxonom\u00eda que los directivos realmente necesitan<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-2-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\n\u00bfPor qu\u00e9 ahora?<\/h2>\n
Llevan a\u00f1os prometiendo agentes. \u00bfQu\u00e9 ha cambiado?<\/h3>\n
La realidad de las \u201cpocas horas\u201d<\/h2>\n
\u00bfC\u00f3mo se crean realmente los agentes?<\/h2>\n
Generadores visuales<\/h3>\n
Plataformas basadas en indicaciones<\/h3>\n
Marcos basados en c\u00f3digo<\/h3>\n
\u00bfQui\u00e9n es capaz de construir uno?<\/h2>\n
D\u00f3nde est\u00e1 cobrando fuerza hoy en d\u00eda el enfoque \u00abagentic\u00bb<\/h2>\n
Tres ejemplos resueltos<\/h2>\n
Resumen del contrato de arrendamiento en el sector inmobiliario comercial<\/h3>\n
Servicio de asistencia inform\u00e1tica interna para una multinacional<\/h3>\n
Estudio de inversiones en el Reino de Arabia Saud\u00ed en consonancia con la Visi\u00f3n 2030<\/h3>\n
Elecci\u00f3n de su modelo base<\/h2>\n
Servicios de modelos cerrados de Frontier<\/h3>\n
Modelos de peso libre<\/h3>\n
El marco de decisi\u00f3n de Artefact<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-3-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nLos obst\u00e1culos, tanto t\u00e9cnicos como organizativos<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-4-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nObst\u00e1culos t\u00e9cnicos<\/h3>\n
Obst\u00e1culos organizativos<\/h3>\n
Anatom\u00eda de una implementaci\u00f3n de nivel empresarial<\/h2>\n
Gu\u00eda pr\u00e1ctica para el proceso de implementaci\u00f3n<\/h2>\n
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/07\/Image-5-Can-you-really-build-enterprise-grade-AI-agents-within-a-few-hours.png\")
<\/p>\nPerspectivas a corto y medio plazo<\/h2>\n
Una respuesta mesurada al titular<\/h2>\n
Casos pr\u00e1cticos<\/h2>\n
Una soluci\u00f3n de creaci\u00f3n visual para analistas del sector inmobiliario comercial<\/h3>\n
Innovaci\u00f3n en agentes de flujo de trabajo para una empresa de capital riesgo internacional<\/h3>\n